[发明专利]基于单通道脑电信号多尺度残差网络睡眠分期方法及系统

说明书

本发明公开了一种基于单通道脑电信号的多尺度残差网络睡眠分期方法及系统，包括：步骤S1：采集原始单通道脑电信号作为输入信号；步骤S2：构建多尺度残差睡眠自动分期网络，将输入信号输入到多尺度残差睡眠自动分期网络进行训练，并输出睡眠分期结果；步骤S3：对输出结果进行评估。本发明公开的基于单通道脑电信号的多尺度残差网络睡眠分期方法通过采用多种尺度的卷积核从原始单通道脑电信号中自动提取特征，即使在非平稳条件下，也能够提高模型的鲁棒性和信号特征的表征能力。此外本发明利用残差网络中的恒等映射和残差映射，让网络能够有效地学习单通道脑电信号的特征，克服传统深度学习网络中的退化问题。

技术领域

本发明涉及脑电信号处理领域，特别地涉及一种单通道脑电信号多尺度残差网络睡眠分期方法及系统。

背景技术

世界卫生组织(WHO)在2104年的研究表明，全世界有27％的人存在睡眠障碍，其中，有近3亿人存在失眠问题，5000万人在睡眠过程中发生过呼吸暂停。长期睡眠不足，睡眠质量低下，将危害人的生理心理健康，导致免疫力下降，严重的甚至会引发一系列的生理疾病，如心脑血管疾病、健忘症等，对人体的生命活动造成严重的威胁。为了改善睡眠问题，首先需要做的便是对睡眠问题进行诊断，而睡眠分类则是睡眠分析中最关键的一步。所以，睡眠分期已经成为诊断失眠、嗜睡症等睡眠障碍问题的重要工具。

目前主要的睡眠分期方法多为基于人睡眠时的多导生理信号，这包含了脑电、肌电和眼电等多种信号。但是采集多导生理信号的采集需要受试者佩戴多个电极，这不仅会让受试者感受到身体上的不舒适，同时也会使其造成心理上的压力。此外多电极设备价格昂贵，所以需要更高的成本。因此目前主流的方法集中在使用单通道脑电信号进行睡眠自动分期。目前基于脑电信号的睡眠自动分期算法主要可以分为两类，一是传统机器学习算法；二是基于深度学习的方法。但是这两类方法依然存在下述缺陷：

1、机器学习为传统的浅层学习模型，不能够提取复杂的特征，所以传统机器学习方法通常采用特征提取器和浅层学习模型组合的方法构造睡眠分类模型。这种传统的浅层学习模型的性能很大程度上取决于从采集到的信号中提取特征的质量，即特征提取器的性能。特征提取器的构造需要相关的先验知识，并且应用于特定的数据，具有一定的主观性。然而脑电数据本身具有的非线性、平稳性等特性，而且数据个体多样化，这使得为特定人群构建一种特征提取器的方法非常的费时间。

2、基于深度学习的方法虽然近年来大量被提出，但是很多方法效果不够显著，并且存在很多缺陷。从整体正确率上看，目前很多方法得到的模型睡眠分类的整体正确率均在80％～90％，具有较大的提高空间。很多算法并没有表现出足够的鲁棒性，具体表现为训练数据与验证数据都为所有受试者数据，这样的交叉验证不能证明系统在未知受试者的数据上依然具有同样的表现。此外很多睡眠自动分类方法在N1阶段的分类效果非常差。这些问题都是由于端到端的深度学习睡眠自动分期算法是属于类别不均衡的数据分类问题，所以大多数模型学习后的分类效果并不是很理想。

重庆邮电大学王强强、赵德春等申请的公开号为CN108742517A，于2018年11月6日公开，发明名称为“一种基于Stacking单导联脑电睡眠自动分期方法”的中国发明专利申请中，使用IIR滤波函数和集成学习算法进行分类。大连理工大学刘蓉、梁洪宇等申请的公开号为CN109674468A，于2019年4月26日公开，发明名称为“一种单导脑电自动睡眠分期方法”的中国发明专利申请中，使用随机森林模型作为分类器，并且运用大量复杂的信号处理方法提取脑电信号的时域、频域、非线性领域的特征。这两类方法，首先都需要人为设计脑电信号特征提取过程，具有较大的主观性，此外两种方法使用的训练测试数据集均较小，当该方法在遇到未知的受试者时，其表现会出现较大的误差。